CN112732671B - 一种时空轨迹数据驱动的自动驾驶安全场景元建模方法 - Google Patents
一种时空轨迹数据驱动的自动驾驶安全场景元建模方法 Download PDFInfo
- Publication number
- CN112732671B CN112732671B CN202011637674.4A CN202011637674A CN112732671B CN 112732671 B CN112732671 B CN 112732671B CN 202011637674 A CN202011637674 A CN 202011637674A CN 112732671 B CN112732671 B CN 112732671B
- Authority
- CN
- China
- Prior art keywords
- data
- space
- automatic driving
- time
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特点是基于MOF元建模体系构建时空轨迹数据的元建模方法,通过时空轨迹数据的采集、时空轨迹元数据的构建、时空轨迹数据的预处理以及数据质量评价得到高质量自动驾驶汽车时空轨迹数据,进而构建了基于MOF的时空轨数据元建模过程、构建了面向汽车自动驾驶的时空轨迹数据元模型,并基于一种场景建模语言ADSML自动实例化安全场景。本发明提出一种基于时空轨迹数据驱动的汽车自动驾驶安全场景元建模方法,能够有效地支持模型驱动和数据驱动协同开发方法,为自动驾驶领域场景建模提供一种新的途径。
Description
技术领域
本发明涉及一种安全场景元建模方法,尤其涉及时空轨迹数据驱动的自动驾驶安全场景元建模方法。
背景技术
近年来,大数据、人工智能、自动驾驶、智慧城市、智能交通等领域的快速发展促进了新一代信息技术的广泛应用,如何高效利用所产生的大量数据是一个亟待解决的问题。把地球观测所产生的时空数据,与公众媒体数据(例如城市摄像头、社交媒体、个人活动等)进行有效时空融合、高可信建模、大数据处理及面向特定领域的时空数据应用,已成为空间信息技术领域和大数据应用领域的研究热点。尤其是全球卫星导航定位系统(GlobalNavigation Satellite System, GNSS)、中国遥感卫星(Remote Sensing, RS)、地理信息系统(Geographic Information System, GIS)和智慧城市(Smart City)综合技术的日新月异,时空数据得以更加丰富,也呈现出高空间分辨率、高时间分辨率、高光谱分辨率、高精准时空标识与多维属性等特点。时空轨迹数据是一种特殊的时空数据,涵盖了几何、光谱、行为以及语义关联等信息,具有海量、异构、动态等特点,反映出现实世界的多元性和复杂性,因此对其进行数据建模、描述、评估与验证等多层次的分析、数据驱动的应用开发,已经成为感知、认知与控制客观世界数据形态的重要途径。
与此同时,汽车自动驾驶技术的飞速发展,引起了学术界和工业界的广泛关注,但同时也带来了一系列的安全问题。在自动驾驶汽车正式投入市场之前还有漫长的路程,需要大量的实验来保证自动驾驶的安全。但随着驾驶自动化级别越来越高、规模越来越大,实车测试自然不能满足验证需求。然而仿真测试使用一些计算方法、仿真软件以及仿真参数实现的虚拟场景仿真,得到的数据不能完全代表真实汽车自动驾驶的运行数据。因此若想要加速自动驾驶汽车快速、安全上路,不仅要依靠仿真测试,还需要提高自动驾驶汽车场景建模的准确性和数据分析的有效性,其中高质量时空轨迹数据的挖掘与利用是实现自动驾驶真实场景建模的关键。
但目前,面向真实时空轨迹数据的场景建模方法、技术仍然有不足之处:自动驾驶场景建模的研究主要聚焦在建模场景的设计,重点讨论仿真的结果,而没有一套系统的模型驱动和数据驱动协同开发的建模方法,不方便对真实数据的管理以及高质量数据的生成,且存在缺乏可读性好的场景描述语言和难以进行形式化验证(Formal Verification)的问题。虽然GeoScenario和Scenic较其他场景建模语言更简洁,可读性有一定的提高,但它们的描述方式对于领域专家不够友好,也无法使用形式化方法对场景进行验证分析。总之,现阶段亟需一套时空轨迹数据驱动的自动驾驶场景建模方法,根据真实的物理世界将自动驾驶场景进行抽象建模,以实现构建特定的安全场景库,为汽车自动驾驶领域的场景建模、仿真、验证奠定基础。
发明内容
本发明的目的是用于指导安全攸关场景的建模、仿真、验证以及安全场景库的构建,主要解决时空轨迹数据在自动驾驶领域的高效利用,为自动驾驶领域的数据驱动和模型驱动协同开发的场景建模提供一种可行的解决方案。
本发明提出一种基于时空轨迹数据驱动的汽车自动驾驶安全场景元建模方法。该方法支持模型驱动和数据驱动协同开发方法,为自动驾驶领域场景建模提供一种新的途径。
实现本发明目的的具体技术方案是:
一种时空轨迹数据驱动的自动驾驶安全场景元建模方法,具体步骤如下:
S1:时空轨迹数据采集:
通过对自动驾驶汽车在真实环境行驶过程中的静态及动态环境数据进行采集,形成面向自动驾驶领域场景建模的时空轨迹数据;
S2:时空轨迹数据的预处理及其质量评价:
对步骤S1采集的时空轨迹数据做预处理;对步骤S1采集的时空轨迹数据构建数据质量评价模型;
S3:面向自动驾驶领域场景建模的时空轨迹元数据结构的构建:
从步骤S2得到的高质量时空轨迹数据中抽取部分数据,构成自动驾驶领域场景建模时空轨迹的元数据结构,实现时空轨迹数据的融合及统一;
S4:时空轨迹数据驱动的自动驾驶安全场景元建模:
在步骤S3得到的时空轨迹元数据结构的基础上,基于MOF建模技术体系构建了四层元建模结构:元元模型层M3、元模型层M2、模型层M1以及实例层M0;
S5:时空轨迹数据元模型构建:
在步骤S4元建模体系的基础上,构建出汽车自动驾驶领域的时空轨迹数据元模型,将自动驾驶安全场景建模的时空轨迹数据元模型抽象出七大类数据,又将七类数据细化为十二维时空轨迹数据;
S6:时空轨迹数据驱动的自动驾驶安全场景构建:
将步骤S5时空轨迹数据元模型得到的结构化数据做为数据输入,使用自动驾驶安全场景建模语言(Autonomous Driving Specification Modeling Language, ADSML)自动实例化场景模型。
所述步骤S1具体包括:
S1-1:面向汽车自动驾驶领域的时空轨迹数据的采集来源包括:全球导航卫星系统(Global Navigation Satellite System,GNSS)、天地一体化遥感(Remote Sensing,RS)、三维地理信息系统(Geographic Information System,3DGIS)、开源地图(OpenStreetMap,OSM)、物联网(Geographic Information System,IoT)、车联网(vehicleto X,V2X)、车载传感器Sensor及自动驾驶领域知识(Autonomous Driving System,ADS),从中收集可度量和不可度量的具有时间与空间关系的数据,构成时空轨迹数据,包括时间数据、空间数据、光谱数据、人文数据、社会数据、数据质量以及自动驾驶领域知识;
S1-2:针对自动驾驶汽车时空轨迹数据的静态数据,使用OSM获取自动驾驶车辆所在的路网结构信息,构建自动驾驶场景的路网及静态环境模型;
S1-3:针对自动驾驶汽车时空轨迹以及周边的动态数据的获取,使用GPS定位技术获取自动驾驶车辆的实时定位获取其轨迹数据;在GPS定位的同时通过车载雷达、摄像头、传感器、车联网技术探测车辆周边所有方向的物体,获取自动驾驶车辆周边车辆信息和行人信息;构成时空轨迹数据。
所述步骤S2具体包括:
S2-1:对时空轨迹数据的预处理:
S2-1-1:针对OSM数据,已有成熟的方法和工具ArcGIS处理从OSM上下载的地图数据;
S2-1-2:针对GPS获取的自动驾驶车辆轨迹数据,使用地图匹配算法纠正自动驾驶车辆的轨迹数据;
S2-1-3:针对视频数据,使用自顶向下的方式对图像视频数据挖掘做处理;
S2-1-4:针对传感器数据,使用卡尔曼滤波方法对传感器数据做处理;
S2-2:使用时空轨迹数据的质量评价模型对时空轨迹数据处理的质量做评价,时空轨迹数据的质量评价模型具体为:
S2-2-1:结合自动驾驶汽车时空轨迹元模型及时空轨迹的元数据结构抽出六个评价指标:时间精度(TA)、定位精度(PA)、数据准确性(DA)、时空一致性(TSC)、轨迹完整度(TI)及采样频率(SF);
S2-2-2:采用专家打分法和层次分析法得到指标的权重;
S2-2-3:采用模糊综合评价方法解决时空轨迹数据的模糊不确定性;
S2-2-4:最终得到数据质量,表示为;其中,W为评价指标所占权重。
所述步骤S3具体包括:
S3-1:根据自动驾驶领域知识和需求,将杂乱无结构的数据统一融合表达,抽象出时空轨迹的元数据结构,具体如下:
S3-1-1:利用GNSS得到的空间位置和观测时间信息,元数据表示为:GNSS info=f(φ, μ, H, , π),其中φ, μ, H分别表示GNSS所处空间位置的经维度坐标和高程值;, π分别表示GNSS接收机的观测时间和多源数据参数;f边缘平滑损失,是一个函数;
S3-1-2:利用遥感设备即天基、空基和地基,实现对地观测,所获得的地物波谱信息表示为:RS info=f(x, y, z, λ, ),其中,x, y为空间位置参数;z为对应于x, y的观测值,与空间分辨率有关;λ为所使用的电磁波段,与光谱分辨率有关;为对地同一目标物的重复观测周期;
S3-1-3:对于GIS,表示为:GIS info={i, j, T(A), };其中,i, j为系统所采用的空间位置坐标;T(A)为系统坐标i, j所对应的空间特征与对应属性;为系统信息的时间特征;
S3-1-4:使用开源地图OSM获取环境中的路网结构信息,表示为OSM info={R},R表示获取的路网结构数据;
S3-1-5:对于来自于物联网和社交媒体的人文与社会数据,表示为:More info={C(α, β,τ, HT), S(γ, ψ, ω, TC), t, π};其中,C(α, β, τ, HT)为人文属性的参数及其信息集合,α为人口参数, β为分布参数, τ为地理参数, HT为历史交通状况参数;S(γ, ψ,ω, TC)为社会属性参数及其信息集合,γ为农业参数, ψ为工业参数, ω为商业参数, TC为交通管制情况;t为信息采集时间标识;π为多源数据;
S3-1-6:针对车载传感器及车联网获取的信息表示为:SV={P, G}, P和G分别表示采集的交通参与者以及轨迹点集;
S3-1-7:ADS为汽车自动驾驶领域知识模型;
S3-1-8:质量评价模型D表示为时间精度(TA)、定位精度(PA)、数据准确性(DA)、时空一致性(TSC)、轨迹完整度(TI)以及采样频率(SF);
S3-2:将步骤S3-1得到的时空轨迹元数据表达式做统一融合,构建统一的时空元数据表达式:Spatio-Temporal Metadata=f{ K(φ, μ, H, R, P, G)、T(, )、A(λ)、C(α,β,τ, HT)、S(γ, ψ, ω, TC)、D(TA, PA, DA, TSC, TI, SF) 、ADS、π}。
所述步骤S4具体包括:
S4-1:基于MOF元建模方法构建四层元建模结构:元元模型层M3、元模型层M2、模型层M1以及实例层M0,从M0到M3抽象程度逐渐增加;
S4-2:元元模型层M3抽象出自动驾驶汽车时空轨迹数据的元元模型;
S4-3:元模型层M2定义元元模型的实例,将数据元元模型分为三个模块:数据元模型模块、工具元模型模块以及数据存储元模型模块,具体如下:
S4-3-1:在数据元模型模块中,根据汽车自动驾驶领域场景建模的需求、概念、特征抽象出七大类数据:数据标签(Tag)、数据来源(Source)、数据内容(Content)、场景契约(Contract)、数据质量(Quality)、场景安全(Critical)及轨迹数据(Track);
S4-3-2:工具元模型模块实现更加细粒度的获取时空轨迹安全场景的接口;
S4-3-3:数据存储元模型模块制定数据存储规范,使得信息描述以可读的形式呈现出来;
S4-4:模型层M1将元模型中定义的时空轨迹元数据结构更直观的表达为数据结构、XML文档模型、数据模型,具体如下:
S4-4-1:模型层将元模型层中抽象出的七类数据具体化为十二元组的数据结构,包括数据标识(Identification)、真实数据(RealWorld)、时间参数(Temporal)、空间参数(Spatial)、光谱参数(Spectrum)、社会参数(Society)、人文参数(Environment)、自动驾驶领域知识(ADS)、契约约束(Constraint) 、时空轨迹数据质量评价(QualityEvaluation)、违规事件(IllegalEvent)、轨迹特征(Tracks);
S4-4-2:基于XML编码格式,将所述的十二元组的数据结构存储成XML文档模型;
S4-4-3:将所述XML文档模型表示成时空轨迹数据模型;
S4-5:实例层M0根据模型层所需要的数据结构,为模型提供数据来源,指出十二维时空轨迹数据来自全球导航卫星系统GNSS、天地一体化遥感RS、三维地理信息系统3DGIS、开源地图OSM、物联网IoT、车联网V2X、车载传感器Sensor及自动驾驶领域知识ADS,为时空轨迹数据的采集提供方法,为数据模型提供数据采集和处理实例接口。
步骤S5所述将七类数据细化为十二维时空轨迹数据,具体包括:
S5-1:数据标签(Tag)细化为数据标识(Identification),描述自动驾驶安全场景中的特征信息;
S5-2:数据来源(Source)细化为真实数据(RealWorld),记录从真实世界中获取时空轨迹数据的来源及方式;
S5-3:数据内容(Content)细化为时间参数(Temporal)、空间参数(Spatial)、光谱参数(Spectrum)、社会参数(Society)、人文参数(Environment)、自动驾驶领域知识(ADS);其中时间参数包括时间戳、观测时间和系统时间;空间参数包括经度值、纬度值、高程值、道路信息及周边行人;光谱参数包括全光谱;社会参数包括农业、工业、商业及交通管制情况;环境参数包括人口、分布、地理及交通状态;自动驾驶领域知识包括国际标准及领域知识;
S5-4:数据质量(Quality)细化为时空轨迹数据质量评价(QualityEvaluation),描述时空轨迹数据的六维质量评价指标,即时间精度、定位精度、数据准确性、时空一致性、轨迹完整度以及采样频率;
S5-5:契约约束(Contract)细化为契约约束(Contracts),是自动驾驶安全场景下存在的约束条件,包括车辆最大速度、高度、宽度以及控制两车距离;
S5-6:场景安全(Critical)细化为违规事件(IllegalEvent),表示该自动驾驶安全场景是否为安全状态,记录了几种典型的违规场景,例如是否有闯红灯、占道、事故等情况;
S5-7:轨迹数据(Track)细化为轨迹特征(Tracks),描述自动驾驶车辆的时空轨迹数据,包括轨迹采样点、轨迹采样间隔及轨迹采样方法。
本发明将时空轨迹数据进行统一、融合表达,提出的一种面向自动驾驶领域的时空轨迹数据元建模方法,为安全场景的建模奠定了数据建模基础,便于实现数据的统一、处理、重用。结合自动驾驶安全场景建模语言ADSML,使用自动化模型实例进行了典型场景的实例建模,应用表明本发明能够有效生成安全场景的抽象模型,为安全场景的抽象建模提供了一种时空轨迹数据驱动的安全场景元建模方法,为有效利用时空轨迹数据构建安全场景模型,用于汽车自动驾驶的仿真、验证提供了一种便捷的途径。
附图说明
图1为本发明的流程图;
图2为本发明构建的时空轨迹数据的质量评价模型示意图;
图3为本发明构建的时空轨迹元数据结构图;
图4为本发明构建的时空轨迹数据元建模方法结构图;
图5为本发明提出的时空轨迹数据元模型示意图;
图6为本发明实施例中的场景描述示例图;
图7为本发明实施例中场景状态机模型示例图;
图8为本发明实施例中场景契约示例图;
图9为本发明实施例中场景仿真模型图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
结合基于自动驾驶场景建模语言ADSML建模自动驾驶变道超车场景模型的具体实施例和附图,对本发明方法作进一步说明。
参阅图1,本实施例使用自动驾驶场景建模语言ADSML建模自动驾驶变道超车场景模型:
S1:时空轨迹数据采集:通过对自动驾驶汽车在真实环境行驶过程中的静态及动态环境数据进行采集,形成面向自动驾驶领域场景建模的时空轨迹数据,具体如下:
S1-A:首先使用OSM获取自动驾驶车辆周边的路网结构,使用GPS定位技术获取自动驾驶车辆的实时定位获取其轨迹数据,通过车载雷达、摄像头、传感器、车联网技术探测车辆周边所有方向的物体,获取自动驾驶车辆周边车辆信息和行人信息,构成时空轨迹数据;
S2:对步骤S1采集的时空轨迹数据做预处理,并对构建数据质量评价模型,对时空轨迹数据做质量评价;
S2-A:使用ArcGIS处理从OSM上下载的地图数据;使用地图匹配算法纠正自动驾驶车辆的轨迹数据;使用自顶向下的方法对图像视频数据挖掘做处理;使用卡尔曼滤波方法对传感器数据做处理;
S2-B:对时空轨迹数据做质量评价,如图2所示,得到时空轨迹数据的质量评价指标及对应的评价公式:;
S3:面向自动驾驶领域场景建模的时空轨迹元数据结构的构建:无结构杂乱的时空轨迹数据做统一融合,得到时空轨迹元数据结构,如图3所示,其中包含了自动驾驶场景建模的关键数据,构建的统一时空元数据表达式:Spatio-Temporal Metadata=f{ K(φ,μ, H, R, P, G)、T(, )、A(λ)、C(α, β,τ, HT)、S(γ, ψ, ω, TC)、D(TA, PA, DA, TSC,TI, SF) 、ADS、π};
S4:如图4所示,基于MOF建模技术体系构建了四层元建模结构:元元模型层M3、元模型层M2、模型层M1以及实例层M0。
S5:如图5所示,将十二维时空轨迹数据再次细化,构建时空轨迹数据元模型。
S6:将时空轨迹数据封装成结构化数据格式,具体如下:
S6-A:数据模块具体包括:地图map和路网结构road network(对应GNSS、GIS、OSM的数据来源)、天气weather(对应RS的数据来源)、场景实体entities(对应V2X、自动驾驶车辆采集的信息);场景实体包括当前车辆(veh_e)、前方车辆(veh_0f)、后方车辆(veh_1b),且车辆veh_e和veh_0f在同一车道,车辆veh_1b在另一车道,在该场景中车辆veh_e需要变道到另一车道并超过车辆veh_0f,因此需要控制车辆的行驶速度以保证在不碰撞车辆veh_1b的前提下超过车辆veh_0f;
S6-B:建模的随机混成自动机包括:当前自动驾驶车辆(veh_ego)、时钟(Timer)、控制器(Controller)和模拟器(Monitor)等,其中veh_ego中定义了当前车辆的运行状态及属性,模拟受控车vehe的状态,包括前进、允许/不允许超车、加速/减速、返回原车道、结束超车等,并通过通道与控制器Controller及其他模型进行交互,以此来建模其变道超车行为;
S6-C:契约数据描述了该场景中三个车辆应遵守的规则及其部分动态属性,速度均应限制在20m/s内,该契约也可以辅助随机混成自动机的建模;
S7:时空轨迹数据驱动的自动驾驶安全场景构建:将步骤S5得到的结构化数据导入到ADSML场景建模语言中。具体建模过程如下:
S7-A:图6展示了ADSML场景建模描述示例,场景描述内容包括:地图map、天气weather、道路结构roadnetwork、场景实体entities;其中,地图包括地图的长度length和宽度width;天气包括参数cloudiness、precipitation、precipitation_deposits、wind_intensity、sun_azimuth_angle和sun_altitude_angle,分别表示天气阴晴度、降雨量、地面积水程度、风力强度、太阳方位角、太阳高度角;道路结构包括一条道路信息road;场景实体包括三辆车car;
S7-B:按照自动驾驶场景建模语言ADSML的特性和驾驶场景特征,构建了图7所示超车场景中的随机混成自动机,其中包括自动机声明语句、当前车辆自动机、时钟自动机、控制器自动机、模拟器自动机、自动机系统定义;
S7-C:按照自动驾驶场景建模语言ADSML的特性和时空轨迹数据元模型中的契约约束(Contract),构建了图8所示超车场景的契约模块(对应时空轨迹数据中的契约(Contract);
S7-D:最终得到自动驾驶车辆变道超车场景的可视化仿真模型图,如图9所示,车辆veh_e将会沿着红色的线执行变道超车,在仿真过程中会实时判断自动驾驶汽车的运行状态,为其安全运行提供大量的安全性分析,保障车辆的安全行驶;通过分析可视化场景模型判别车辆在何时会进入不安全状态,并使用UPPAAL工具对随机混成状态机做验证分析。
以上对本发明的具体实施例进行了详细描述,但其只是作为范例,本发明并不限制于以上描述的具体实施例。对于本领域技术人员而言,任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此,在不脱离本发明的精神和范围下所作的均等变换和修改,都应涵盖在本发明的范围内。
Claims (6)
1.一种时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特征在于,该方法包括以下具体步骤:
S1:时空轨迹数据采集:
通过对自动驾驶汽车在真实环境行驶过程中的静态及动态环境数据进行采集,形成面向自动驾驶领域场景建模的时空轨迹数据;
S2:时空轨迹数据的预处理及其质量评价:
对步骤S1采集的时空轨迹数据做预处理;对步骤S1采集的时空轨迹数据构建数据质量评价模型;
S3:面向自动驾驶领域场景建模的时空轨迹元数据结构的构建:
从步骤S2得到的高质量时空轨迹数据中抽取部分数据,构成自动驾驶领域场景建模时空轨迹的元数据结构,实现时空轨迹数据的融合及统一;
S4:时空轨迹数据驱动的自动驾驶安全场景元建模:
在步骤S3得到的时空轨迹元数据结构的基础上,基于MOF建模技术体系构建了四层元建模结构:元元模型层M3、元模型层M2、模型层M1以及实例层M0;
S5:时空轨迹数据元模型构建:
在步骤S4元建模体系的基础上,构建出汽车自动驾驶领域的时空轨迹数据元模型,将自动驾驶安全场景建模的时空轨迹数据元模型抽象出七大类数据,又将七类数据细化为十二维时空轨迹数据;
S6:时空轨迹数据驱动的自动驾驶安全场景构建:
将步骤S5时空轨迹数据元模型得到的结构化数据做为数据输入,使用自动驾驶安全场景建模语言ADSML自动实例化场景模型。
2.根据权利要求1所述的时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特征在于,所述步骤S1,具体包括:
S1-1:面向汽车自动驾驶领域的时空轨迹数据的采集来源包括:全球导航卫星系统GNSS、天地一体化遥感RS、三维地理信息系统3DGIS、开源地图OSM、物联网IoT、车联网V2X、车载传感器Sensor及自动驾驶领域知识ADS,从中收集可度量和不可度量的具有时间与空间关系的数据,构成时空轨迹数据,包括时间数据、空间数据、光谱数据、人文数据、社会数据、数据质量以及自动驾驶领域知识;
S1-2:针对自动驾驶汽车时空轨迹数据的静态数据,使用OSM获取自动驾驶车辆所在的路网结构信息,构建自动驾驶场景的路网及静态环境模型;
S1-3:针对自动驾驶汽车时空轨迹以及周边的动态数据的获取,使用GPS定位技术获取自动驾驶车辆的实时定位获取其轨迹数据;在GPS定位的同时通过车载雷达、摄像头、传感器、车联网技术探测车辆周边所有方向的物体,获取自动驾驶车辆周边车辆信息和行人信息;构成时空轨迹数据。
3.根据权利要求1所述的时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特征在于,所述步骤S2,具体包括:
S2-1:对时空轨迹数据的预处理:
S2-1-1:针对OSM数据,已有成熟的方法和工具ArcGIS处理从OSM上下载的地图数据;
S2-1-2:针对GPS获取的自动驾驶车辆轨迹数据,使用地图匹配算法纠正自动驾驶车辆的轨迹数据;
S2-1-3:针对视频数据,使用自顶向下的方式对图像视频数据挖掘做处理;
S2-1-4:针对传感器数据,使用卡尔曼滤波方法对传感器数据做处理;
S2-2:使用时空轨迹数据的质量评价模型对时空轨迹数据处理的质量做评价,时空轨迹数据的质量评价模型具体为:
S2-2-1:结合自动驾驶汽车时空轨迹元模型及时空轨迹的元数据结构抽出六个评价指标:时间精度(TA)、定位精度(PA)、数据准确性(DA)、时空一致性(TSC)、轨迹完整度(TI)及采样频率(SF);
S2-2-2:采用专家打分法和层次分析法得到指标的权重;
S2-2-3:采用模糊综合评价方法解决时空轨迹数据的模糊不确定性;
S2-2-4:最终得到数据质量,表示为;其中,W为评价指标所占权重。
4.根据权利要求1所述的时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特征在于,所述步骤S3,具体包括:
S3-1:根据自动驾驶领域知识和需求,将杂乱无结构的数据统一融合表达,抽象出时空轨迹的元数据结构,具体如下:
S3-1-1:利用GNSS得到的空间位置和观测时间信息,元数据表示为:GNSS info=f(φ,μ, H, , π),其中φ, μ, H分别表示GNSS所处空间位置的经维度坐标和高程值;, π分别表示GNSS接收机的观测时间和多源数据参数;f边缘平滑损失,是一个函数;
S3-1-2:利用遥感设备即天基、空基和地基,实现对地观测,所获得的地物波谱信息表示为:RS info=f(x, y, z, λ, ),其中,x, y为空间位置参数;z为对应于x, y的观测值,与空间分辨率有关;λ为所使用的电磁波段,与光谱分辨率有关;为对地同一目标物的重复观测周期;
S3-1-3:对于GIS,表示为:GIS info={i, j, T(A), };其中,i, j为系统所采用的空间位置坐标;T(A)为系统坐标i, j所对应的空间特征与对应属性;为系统信息的时间特征;
S3-1-4:使用开源地图OSM获取环境中的路网结构信息,表示为OSM info={R},R表示获取的路网结构数据;
S3-1-5:对于来自于物联网和社交媒体的人文与社会数据,表示为:More info={C(α,β,τ, HT), S(γ, ψ, ω, TC), t, π};其中,C(α, β, τ, HT)为人文属性的参数及其信息集合,α为人口参数, β为分布参数, τ为地理参数, HT为历史交通状况参数;S(γ, ψ, ω,TC)为社会属性参数及其信息集合,γ为农业参数, ψ为工业参数, ω为商业参数, TC为交通管制情况;t为信息采集时间标识;π为多源数据;
S3-1-6:针对车载传感器及车联网获取的信息表示为:SV={P, G}, P和G分别表示采集的交通参与者以及轨迹点集;
S3-1-7:ADS为汽车自动驾驶领域知识模型;
S3-1-8:质量评价模型D表示为时间精度(TA)、定位精度(PA)、数据准确性(DA)、时空一致性(TSC)、轨迹完整度(TI)以及采样频率(SF);
S3-2:将步骤S3-1得到的时空轨迹元数据表达式做统一融合,构建统一的时空元数据表达式:Spatio-Temporal Metadata=f{ K(φ, μ, H, R, P, G)、T(, )、A(λ)、C(α, β,τ,HT)、S(γ, ψ, ω, TC)、D(TA, PA, DA, TSC, TI, SF) 、ADS、π}。
5.根据权利要求1所述的时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特征在于,所述步骤S4,具体包括:
S4-1:基于MOF元建模方法构建四层元建模结构:元元模型层M3、元模型层M2、模型层M1以及实例层M0,从M0到M3抽象程度逐渐增加;
S4-2:元元模型层M3抽象出自动驾驶汽车时空轨迹数据的元元模型;
S4-3:元模型层M2定义元元模型的实例,将数据元元模型分为三个模块:数据元模型模块、工具元模型模块以及数据存储元模型模块,具体如下:
S4-3-1:在数据元模型模块中,根据汽车自动驾驶领域场景建模的需求、概念、特征抽象出七大类数据:数据标签Tag、数据来源Source、数据内容Content、场景契约Contract、数据质量Quality、场景安全Critical及轨迹数据Track;
S4-3-2:工具元模型模块实现更加细粒度的获取时空轨迹安全场景的接口;
S4-3-3:数据存储元模型模块制定数据存储规范,使得信息描述以可读的形式呈现出来;
S4-4:模型层M1将元模型中定义的时空轨迹元数据结构更直观的表达为数据结构、XML文档模型、数据模型,具体如下:
S4-4-1:模型层将元模型层中抽象出的七类数据具体化为十二元组的数据结构,包括数据标识Identification、真实数据RealWorld、时间参数Temporal、空间参数Spatial、光谱参数Spectrum、社会参数Society、人文参数Environment、自动驾驶领域知识ADS、契约约束Constraint、时空轨迹数据质量评价QualityEvaluation、违规事件IllegalEvent、轨迹特征Tracks;
S4-4-2:基于XML编码格式,将所述的十二元组的数据结构存储成XML文档模型;
S4-4-3:将所述XML文档模型表示成时空轨迹数据模型;
S4-5:实例层M0根据模型层所需要的数据结构,为模型提供数据来源,指出十二维时空轨迹数据来自全球导航卫星系统GNSS、天地一体化遥感RS、三维地理信息系统3DGIS、开源地图OSM、物联网IoT、车联网V2X、车载传感器Sensor及自动驾驶领域知识ADS,为时空轨迹数据的采集提供方法,为数据模型提供数据采集和处理实例接口。
6.根据权利要求1所述的时空轨迹数据驱动的自动驾驶安全场景元建模方法,其特征在于,步骤S5所述将七类数据细化为十二维时空轨迹数据,具体包括:
S5-1:数据标签Tag细化为数据标识Identification,描述自动驾驶安全场景中的特征信息;
S5-2:数据来源Source细化为真实数据RealWorld,记录从真实世界中获取时空轨迹数据的来源及方式;
S5-3:数据内容Content细化为时间参数Temporal、空间参数Spatial、光谱参数Spectrum、社会参数Society、人文参数Environment、自动驾驶领域知识ADS;其中时间参数包括时间戳、观测时间和系统时间;空间参数包括经度值、纬度值、高程值、道路信息及周边行人;光谱参数包括全光谱;社会参数包括农业、工业、商业及交通管制情况;环境参数包括人口、分布、地理及交通状态;自动驾驶领域知识包括国际标准及领域知识;
S5-4:数据质量Quality细化为时空轨迹数据质量评价QualityEvaluation,描述时空轨迹数据的六维质量评价指标,即时间精度、定位精度、数据准确性、时空一致性、轨迹完整度以及采样频率;
S5-5:契约约束Contract细化为契约约束Contracts,是自动驾驶安全场景下存在的约束条件,包括车辆最大速度、高度、宽度以及控制两车距离;
S5-6:场景安全Critical细化为违规事件IllegalEvent,表示该自动驾驶安全场景是否为安全状态,记录典型违规场景:闯红灯、占道及事故;
S5-7:轨迹数据Track细化为轨迹特征Tracks,描述自动驾驶车辆的时空轨迹数据,包括轨迹采样点、轨迹采样间隔及轨迹采样方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637674.4A CN112732671B (zh) | 2020-12-31 | 2020-12-31 | 一种时空轨迹数据驱动的自动驾驶安全场景元建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637674.4A CN112732671B (zh) | 2020-12-31 | 2020-12-31 | 一种时空轨迹数据驱动的自动驾驶安全场景元建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112732671A CN112732671A (zh) | 2021-04-30 |
CN112732671B true CN112732671B (zh) | 2022-08-09 |
Family
ID=75608907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637674.4A Active CN112732671B (zh) | 2020-12-31 | 2020-12-31 | 一种时空轨迹数据驱动的自动驾驶安全场景元建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732671B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663329B (zh) * | 2023-07-26 | 2024-03-29 | 安徽深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597317B (zh) * | 2018-12-26 | 2022-03-18 | 广州小鹏汽车科技有限公司 | 一种基于自学习的车辆自动驾驶方法、系统及电子设备 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
CN110597711B (zh) * | 2019-08-26 | 2023-02-10 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
CN111841012B (zh) * | 2020-06-23 | 2024-05-17 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
-
2020
- 2020-12-31 CN CN202011637674.4A patent/CN112732671B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112732671A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008355A (zh) | 基于知识图谱的灾害场景信息融合方法及装置 | |
CN112560277B (zh) | 一种基于领域特定建模语言adsml的汽车自动驾驶场景建模方法 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN112732671B (zh) | 一种时空轨迹数据驱动的自动驾驶安全场景元建模方法 | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
CN114492022A (zh) | 路况传感数据处理方法、装置、设备、程序以及存储介质 | |
CN107395757B (zh) | 基于acp方法和社会物理信息系统的平行车联网系统 | |
CN115392015A (zh) | 一种基于数字孪生的自动驾驶推演系统和推演方法 | |
Yazdizadeh et al. | Smart mobility ontology: Current trends and future directions | |
US20230289493A1 (en) | Operational design domains in autonomous driving | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
Rigolli et al. | Towards a behavioural traffic monitoring system | |
Liu et al. | New generation of smart highway: Framework and insights | |
Li | A scenario-based development framework for autonomous driving | |
Botín-Sanabria et al. | Digital twin for urban spaces: An application | |
US20240144745A1 (en) | Performance testing for autonomous vehicles | |
CN116629546A (zh) | 基于高精定位和数字孪生的试车场智能排程和管理系统 | |
CN116384150A (zh) | 一种面向自动驾驶系统的测试用例生成方法及系统 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
US20220172606A1 (en) | Systems and Methods for Extracting Data From Autonomous Vehicles | |
US20220196839A1 (en) | Procedurally generated three-dimensional environment for use in autonomous vehicle simulations | |
Zhang et al. | A Meta-Modeling Approach for Autonomous Driving Scenario Based on STTD. | |
Zhu et al. | Functional Testing Scenario Library Generation Framework for Connected and Automated Vehicles | |
CN112468696A (zh) | 一种数据处理的方法和装置 | |
Fu | An Exploratory Approach to Digitizing the Operational Environments for Connected and Automated Vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |